点云滤波与匹配进阶干货收藏
0. 简介
之前作者专门为点云匹配写了几篇博客，但是我们发现最近几年有更多的新方法已经在不断地被使用。
同时之前有些内容也没有很好的概括，所以这里我们将作为一篇进阶文章来介绍这些方法的使用。
1. 地面点去除
处了使用一些复杂的方法（fec）或是一些简单的方法（根据高度来滤除）以外，还可以使用ransac的方法完成平面拟合
#include #include #include #include #include void removepointsunderground(const pcl::pointcloud& cloud_in, pcl::pointcloud& cloud_out){ // 对输入点云进行降采样 pcl::pointcloud::ptr cloud_downsampled(new pcl::pointcloud); pcl::voxelgrid voxel_grid; voxel_grid.setinputcloud(cloud_in.makeshared()); voxel_grid.setleafsize(0.1f, 0.1f, 0.1f); // 设置体素格大小 voxel_grid.filter(*cloud_downsampled); // 创建一个滤波器对象，用于提取地面平面 pcl::pointcloud::ptr cloud_filtered(new pcl::pointcloud); pcl::passthrough pass_through; pass_through.setinputcloud(cloud_downsampled); pass_through.setfilterfieldname(z); // 对z轴进行滤波 pass_through.setfilterlimits(-1.5, 0.5); // 设置滤波范围，过滤掉z轴在-1.5到0.5之间的点 pass_through.filter(*cloud_filtered); // 创建一个分割对象，用于提取地面平面 pcl::modelcoefficients::ptr coefficients(new pcl::modelcoefficients); pcl::pointindices::ptr inliers(new pcl::pointindices); pcl::sacsegmentation segmentation; segmentation.setinputcloud(cloud_filtered); segmentation.setmodeltype(pcl::sacmodel_plane); segmentation.setmethodtype(pcl::sac_ransac); segmentation.setdistancethreshold(0.1); // 设置距离阈值，点到平面的距离小于该阈值的点将被认为是地面点 segmentation.segment(*inliers, *coefficients); // 创建一个提取对象，用于提取地面点 pcl::pointcloud::ptr cloud_ground(new pcl::pointcloud); pcl::extractindices extract; extract.setinputcloud(cloud_filtered); extract.setindices(inliers); extract.setnegative(false); // 提取地面点，即保留inliers对应的点 extract.filter(*cloud_ground); // 创建一个提取对象，用于提取非地面点 pcl::pointcloud::ptr cloud_non_ground(new pcl::pointcloud); extract.setnegative(true); // 提取非地面点，即去除inliers对应的点 extract.filter(*cloud_non_ground); // 将结果保存到输出点云中 cloud_out = *cloud_non_ground;}
2. pca主成分判别
除了去除点云以外，还可以通过主成分判别来判断我们分割的是否是地面。其中eigenvectors()函数得到的矩阵中的三个列向量分别对应于数据的主成分轴。
这些主成分轴是按照数据方差的降序排列的，即第一个列向量对应的是数据的第一主成分轴，第二个列向量对应的是数据的第二主成分轴，第三个列向量对应的是数据的第三主成分轴。对于pca的特征值和特征向量可以从这里理解：
https://blog.csdn.net/lazysnake666/article/details/122404671
#include #include #include #include bool estimateplane(const pcl::pointcloud& cloud){ // 将输入点云数据转换为pcl点云格式 for (const auto& point : cloud) { pcl::pointxyz pclpoint; pclpoint.x = point.x(); pclpoint.y = point.y(); pclpoint.z = point.z(); cloud->push_back(pclpoint); } // 创建pca对象 pcl::pca pca; pca.setinputcloud(cloud); // 计算主成分 eigen::vector3f eigenvalues = pca.geteigenvalues(); eigen::matrix3f eigenvectors = pca.geteigenvectors(); // 获取地面法向量，因为最小的就是第三列，所以最后一列是地面（0，0，1），如果是墙面那就（x，1-x，0） eigen::vector3f groundnormal = eigenvectors.col(2);#eigen_vector.block(0, 2)//最小成分的主成分向量，对应的是地面的法线，因为地面xy都存在比较大的主成分 // 如果是其他的比如灯杆这种，一般的就会是fabs(eigen_vector.block(0, 0).dot(eigen::unitz()))的形式，也就是最大主成分，沿着最大主成分方向 bool is_ground = (fabs(groundnormal.dot( eigen::unitz())) > 0.98) && (eigenvalues(2) 10 * eigen_values(1) return is_ground;}
3. gicp配准
gicp配准这块在之前的博客经典论文阅读之-gicp（icp大一统）中已经详细讲过了，下面就是一个示例代码
意法半导体推出针对智能工业应用的高集成度、高灵活性的同步整流DC/DC转换器
Datalogic得利捷将携新品Memor 11系列移动终端亮相2023中国零售业博览会
自动驾驶浪潮袭来,汽车产业链面临重新洗牌
预训练语言模型设计的理论化认识
基于SOGI滤波器的单相锁频环仿真案例
点云滤波与匹配进阶干货收藏
东芝开始提供业内首批符合UFS 2.0的嵌入式NAND闪存模块的样品出货
Linux初始的RAM磁盘（initrd）的概述
新能源汽车的种类众多，他们的区别是什么
有驾无车人群正在扩大，互联网租车习惯正在养成
下游新能源汽车市场复苏带动上游锂盐市场需求增长
Haylou Smart Watch智能手表在小米有品商城开启众筹 首发价99.9元
开放、包容的MM32合作共赢平台——2019灵动MM32协作大会成功举办
温度容限监测系统
传感器市场稳步增长 20家国内企业抢食“大蛋糕”
华为的胜利,本质上美式制度和管理的胜利
Spring事务的传播行为与回滚机制
永续合约系统开发,场外OTC交易系统源码开发费用
Maxim推出完全集成的PMIC
产生EMI问题的2个原因
之前作者专门为点云匹配写了几篇博客，但是我们发现最近几年有更多的新方法已经在不断地被使用。
同时之前有些内容也没有很好的概括，所以这里我们将作为一篇进阶文章来介绍这些方法的使用。
1. 地面点去除
处了使用一些复杂的方法（fec）或是一些简单的方法（根据高度来滤除）以外，还可以使用ransac的方法完成平面拟合
#include #include #include #include #include void removepointsunderground(const pcl::pointcloud& cloud_in, pcl::pointcloud& cloud_out){ // 对输入点云进行降采样 pcl::pointcloud::ptr cloud_downsampled(new pcl::pointcloud); pcl::voxelgrid voxel_grid; voxel_grid.setinputcloud(cloud_in.makeshared()); voxel_grid.setleafsize(0.1f, 0.1f, 0.1f); // 设置体素格大小 voxel_grid.filter(*cloud_downsampled); // 创建一个滤波器对象，用于提取地面平面 pcl::pointcloud::ptr cloud_filtered(new pcl::pointcloud); pcl::passthrough pass_through; pass_through.setinputcloud(cloud_downsampled); pass_through.setfilterfieldname(z); // 对z轴进行滤波 pass_through.setfilterlimits(-1.5, 0.5); // 设置滤波范围，过滤掉z轴在-1.5到0.5之间的点 pass_through.filter(*cloud_filtered); // 创建一个分割对象，用于提取地面平面 pcl::modelcoefficients::ptr coefficients(new pcl::modelcoefficients); pcl::pointindices::ptr inliers(new pcl::pointindices); pcl::sacsegmentation segmentation; segmentation.setinputcloud(cloud_filtered); segmentation.setmodeltype(pcl::sacmodel_plane); segmentation.setmethodtype(pcl::sac_ransac); segmentation.setdistancethreshold(0.1); // 设置距离阈值，点到平面的距离小于该阈值的点将被认为是地面点 segmentation.segment(*inliers, *coefficients); // 创建一个提取对象，用于提取地面点 pcl::pointcloud::ptr cloud_ground(new pcl::pointcloud); pcl::extractindices extract; extract.setinputcloud(cloud_filtered); extract.setindices(inliers); extract.setnegative(false); // 提取地面点，即保留inliers对应的点 extract.filter(*cloud_ground); // 创建一个提取对象，用于提取非地面点 pcl::pointcloud::ptr cloud_non_ground(new pcl::pointcloud); extract.setnegative(true); // 提取非地面点，即去除inliers对应的点 extract.filter(*cloud_non_ground); // 将结果保存到输出点云中 cloud_out = *cloud_non_ground;}
2. pca主成分判别
除了去除点云以外，还可以通过主成分判别来判断我们分割的是否是地面。其中eigenvectors()函数得到的矩阵中的三个列向量分别对应于数据的主成分轴。
这些主成分轴是按照数据方差的降序排列的，即第一个列向量对应的是数据的第一主成分轴，第二个列向量对应的是数据的第二主成分轴，第三个列向量对应的是数据的第三主成分轴。对于pca的特征值和特征向量可以从这里理解：
https://blog.csdn.net/lazysnake666/article/details/122404671
#include #include #include #include bool estimateplane(const pcl::pointcloud& cloud){ // 将输入点云数据转换为pcl点云格式 for (const auto& point : cloud) { pcl::pointxyz pclpoint; pclpoint.x = point.x(); pclpoint.y = point.y(); pclpoint.z = point.z(); cloud->push_back(pclpoint); } // 创建pca对象 pcl::pca pca; pca.setinputcloud(cloud); // 计算主成分 eigen::vector3f eigenvalues = pca.geteigenvalues(); eigen::matrix3f eigenvectors = pca.geteigenvectors(); // 获取地面法向量，因为最小的就是第三列，所以最后一列是地面（0，0，1），如果是墙面那就（x，1-x，0） eigen::vector3f groundnormal = eigenvectors.col(2);#eigen_vector.block(0, 2)//最小成分的主成分向量，对应的是地面的法线，因为地面xy都存在比较大的主成分 // 如果是其他的比如灯杆这种，一般的就会是fabs(eigen_vector.block(0, 0).dot(eigen::unitz()))的形式，也就是最大主成分，沿着最大主成分方向 bool is_ground = (fabs(groundnormal.dot( eigen::unitz())) > 0.98) && (eigenvalues(2) 10 * eigen_values(1) return is_ground;}
3. gicp配准
gicp配准这块在之前的博客经典论文阅读之-gicp（icp大一统）中已经详细讲过了，下面就是一个示例代码
意法半导体推出针对智能工业应用的高集成度、高灵活性的同步整流DC/DC转换器
Datalogic得利捷将携新品Memor 11系列移动终端亮相2023中国零售业博览会
自动驾驶浪潮袭来,汽车产业链面临重新洗牌
预训练语言模型设计的理论化认识
基于SOGI滤波器的单相锁频环仿真案例
点云滤波与匹配进阶干货收藏
东芝开始提供业内首批符合UFS 2.0的嵌入式NAND闪存模块的样品出货
Linux初始的RAM磁盘（initrd）的概述
新能源汽车的种类众多，他们的区别是什么
有驾无车人群正在扩大，互联网租车习惯正在养成
下游新能源汽车市场复苏带动上游锂盐市场需求增长
Haylou Smart Watch智能手表在小米有品商城开启众筹 首发价99.9元
开放、包容的MM32合作共赢平台——2019灵动MM32协作大会成功举办
温度容限监测系统
传感器市场稳步增长 20家国内企业抢食“大蛋糕”
华为的胜利,本质上美式制度和管理的胜利
Spring事务的传播行为与回滚机制
永续合约系统开发,场外OTC交易系统源码开发费用
Maxim推出完全集成的PMIC
产生EMI问题的2个原因